Kutulama Problemi için Geliştirilmiş Karınca Aslanı Optimizasyonu Algoritması

Kutulama Problemi için Geliştirilmiş Karınca Aslanı Optimizasyonu Algoritması Improved Antlion Optimization Algorithm for Bin Packing Problem Haydar KILIÇ Bilecik Şeyh Edebali Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Bilecik, TÜRKİYE Öz Bu çalışmada kutulama problemi içinbir geliştirilmiş karınca aslanı optimizasyonalgoritması (GKAO) önerilmiştir. Karınca aslanı optimizasyonalgoritması (KAO) temel olarak karınca aslanlarınınavlanma stratejilerini taklit eden bir meta-sezgisel optimizasyon algoritmasıdır. KAO algoritmasınınen büyük handikaplarından birisi uzun çalışma süresidir. KAO yapısında yer alan rastgele karınca yürüyüşü modelive seçim yöntemindeyapılan iyileştirmelerle ortaya çıkarılan GKAO bu handikabı ortadan kaldırmıştır. Önerilen GKAO algoritması kutulama problemi olarak adlandırılan optimizasyon problemine uyarlanarak test edilmiştir. Önerilen algoritma parçacık sürüsü optimizasyon algoritması (PSO), ateş böceği algoritması (FA), istilacı yabani ot optimizasyon algoritması (IWO) ve karınca aslanı optimizasyon algoritması(KAO) ile karşılaştırılmıştır. Sonuçlar önerilen GKAO algoritma performansınınkullanılan meta-sezgisel algoritma performanslarından daha başarılı olduğunu göstermiştir. Anahtar Sözcükler— Karınca Aslanı Algoritması, Optimizasyon, Kutulama Problemi Abstract In this study, an improved antlion optimization algorithm (IALO) was proposed for bin packing problem. Antlion optimization algorithm is a metaheuristic optimization algorithm that basically imitates the hunting mechanism of antlions. The biggest disadvantage of antlion algorithm is its long running time. Gönderme ve Kabul tarihi: 21.04.2018-26.10.2018 Makale türü: Araştırma Uğur YÜZGEÇ Bilecik Şeyh Edebali Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Bilecik, TÜRKİYE By the improvements on the ant random walking model and selection method in ALO algorithm, IALO algorithm eliminated this deficiency. The proposed IALO algorithm was tested by adapting to the optimization problem known as bin packing problem. The proposed IALO algorithm was compared with particle swarm optimization algorithm (PSO), firefly algorithm (FA), invasive weed optimization algorithm (IWO) and antlion optimization algorithm (ALO). The results show that the performance of IALO algorithm is more successful than the performances of used meta-heuristic algorithms. Keywords— Antlion Algorithm, Optimization, Bin Packing Problem 1. Giriş Günümüzün mühendislik bilimlerinde, meta-sezgisel algoritmalar, optimizasyon problemlerini çözmede büyük avantajlara sahiptir. Son yıllarda farklı optimizasyon problemlerinin çözümünde pek çok meta-sezgisel algoritmaların geliştirildiği görülmektedir. Bu algoritmalar evrimsel tabanlı, fiziksel tabanlı, sürü zekasına dayanan ve biyolojik ilhamlı algoritmalar olarak sınıflandırılabilirler [1-3]. Evrimsel tabanlı meta-sezgisel algoritmalardan en bilinenleri, genetik algoritma (GA) [4][5] vefarksal gelişim (DE) algoritmasıdır [6][7]. Bu algoritma sınıfında, rastgele bir populasyon ile çözüme başlanır ve bu populasyon çarpazlama ve mutasyon gibi çeşitli evrimsel mekanizmalarla güncellenir. Benzetilmiş tavlama algoritması (SA) [8], tabu arama algoritması (TS) [9], harmoni arama algoritması (HSA) [10][11] ve kurbağa sıçraması algoritması (SFLA) [12][13] fiziksel tabanlı meta-sezgisel algoritmaların en popüler olanlarındandır. Sürü zekasına dayanan algoritmalar kuş sürüleri, karınca kolonileri, balık sürüleri gibi kollektif zekayı taklit eden meta-sezgisel algoritmalar TÜRKİYE BİLİŞİM VAKFI BİLGİSAYAR BİLİMLERİ VE MÜHENDİSLİĞİ DERGİSİ (2018 Cilt:11 – Sayı: 2) -13 grubundandır [1]. Bu algoritmalardan bazıları parçacık sürüsü optimizasyon algoritması (PSO) [14][15], yapay arı kolonisi algoritması (ABC) [16][17], karınca koloni algoritması (ACO) [18][19] olarak sayılabilir. Yapay bağışıklı algoritması (AI) [20][21] ve bakteriyel yiyecek arama algoritması [22][23] biyolojik ilhamlı meta-sezgisel algoritmalara önemli örneklerdendir. amacıyla karınca aslanları kum fırlatmaya başlarlar. Sonunda tuzağın dibine kaydırdıkları karıncaları büyük çeneleri ile yutarlar. Bu şekilde gelişen her bir avlanma işinden sonra karınca aslanlar tuzaklarını yeni bir av için hazır hale getirirler. Bu avlanma mekanizması Şekil 1’de gösterilmektedir. Bu çalışmada 2015 yılında Mirjalili [24] tarafından sunulan karınca aslanı optimizasyon (KAO) algoritması ele alınmıştır. Bu algoritma, karınca aslanı larvalarının kendilerine özgü avlanma tekniklerinden esinlenerek geliştirilmiş bir meta-sezgisel optimizasyon algoritmasıdır. Literatürde kontrolcü tasarımı [25][26], yük sevkiyat problemi [27][28], rota planlaması [29], esnek süreç planlaması [30], üretim çizelgeleme [31], optimizer tabanlı regülator [32], optimal topluluk tespiti [33], optimal filtre tasarımı [34] ve güç sistemleri optimizasyon problemleri [35] gibi mühendislik alanlarında KAO algoritmasına ait uygulamalara rastlanmaktadır. Kutulama problemi lojistik ve üretim gibi alanlarda karşımıza çıkan bir optimizasyon problemidir. Bu problem bir kutunun içerisine en az boş alan kalacak şekilde eşyalarıyerleştirmeyi hedeflemektedir. Kutulama problemi boyutlarına göre bir, iki ve üç boyutlu kutulama problemleri olarak üçe ayrılmaktadır. Kamyon yükleme, konteynır yükleme ve şerit paketleme problemleri bu problemin özel halleridir [36][37]. Bu çalışma kapsamında karınca aslanı optimizasyon algoritması geliştirilerek, GKAO algoritması kutulama problemine uyarlanmıştır. Önerilen GKAO algoritmasının performansına test etmek için parçacık sürüsü optimizasyon algoritması (PSO), ateş böceği algoritması (FA), istilacı yabani ot optimizasyon algoritması (IWO) ve karınca aslanı optimizasyon algoritması (KAO) kullanılmıştır. Elde edilen sonuçlar önerilen GKAO algoritmasının diğer meta-sezgisel algoritmalara alternatif olabileceğini göstermektedir. 3. Karınca Aslanı Algoritması Şekil 1. Karınca aslanı avlanma stratejisi. Bu ilginç avlanma mekanizmasına ait matematiksel model rastgele yürüyüşlerle başlar: 0 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟(𝑡1 ) − 1) 𝑋(𝑡) = 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟(𝑡2 ) − 1) ⋮ [𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟(𝑡𝑛 ) − 1)] (1) Burada n maksimum iterasyon sayısı, trastgele yürüyüş adımları, cumsumkümülatif toplam ve aşağıda tanımı verilenr(t) bir stokastik fonksiyondur: 1, 𝑖𝑓𝑟𝑎𝑛𝑑 > 0.5 𝑟(𝑡) = { 0, 𝑖𝑓 𝑟𝑎𝑛𝑑 ≤ 0.5 (2) Rastgele yürüyüşe başlayan karıncaları arama uzayında tutmak için aşağıdaki formülle bu yürüyüşleri normalize etmek gerekmektedir: 𝑋𝑖𝑡 = (𝑋𝑖𝑡 − 𝑎𝑖 )(𝑑𝑖𝑡 − 𝑐𝑖𝑡 )(𝑏𝑖 − 𝑎𝑖 )−1 + 𝑐𝑖𝑡 (3) Myrmeleontidae ailesinden olan karınca aslanları larva evresindeki son derece ilginç beslenme Buradaki i değişken sayısını, t iterasyon sayısını, a davranışlarından ismini alan yırtıcı bir böcek türüdür. minimum rastgele yürüyüşünü, b maksimum rastgele Karınca aslanları karıncaların bulunduğu bölgelere yürüyüşünü, c ve d her bir iterasyonda güncellenen tuzaklarını dairesel bir yol çizerek bir koni şeklinde karınca aslanı pozisyonlarının sırasıyla minimum ve oluştururlar ve bu tuzağın (...truncated)